CN113316713A - 颗粒分析仪的自适应分选 - Google Patents

颗粒分析仪的自适应分选 Download PDF

Info

Publication number
CN113316713A
CN113316713A CN201980070447.7A CN201980070447A CN113316713A CN 113316713 A CN113316713 A CN 113316713A CN 201980070447 A CN201980070447 A CN 201980070447A CN 113316713 A CN113316713 A CN 113316713A
Authority
CN
China
Prior art keywords
sorting
particle
sample
computer
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980070447.7A
Other languages
English (en)
Inventor
乔纳森·林
约瑟夫·特罗特
基根·奥斯利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Becton Dickinson and Co
Original Assignee
Becton Dickinson and Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Becton Dickinson and Co filed Critical Becton Dickinson and Co
Publication of CN113316713A publication Critical patent/CN113316713A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
    • G01N15/1459—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals the analysis being performed on a sample stream
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1425—Optical investigation techniques, e.g. flow cytometry using an analyser being characterised by its control arrangement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1434—Optical arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1477—Multiparameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Dispersion Chemistry (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种基于操作者提供的目标事件的示例自动生成分选策略的细胞分选***。所述目标事件可利用测量值加以选择，所述测量值范围从传统流式细胞术测量值至推导出的测量值(其对于诸如图像等复杂测量而言，计算成本高昂)。

Description

颗粒分析仪的自适应分选
背景技术
技术领域
本发明通常涉及自动颗粒评估技术领域，更具体而言，涉及样品分析和颗粒表征方法。
颗粒分析仪(例如，流式细胞仪和扫描式细胞仪)是一种分析工具，其可基于光散射和荧光等电光测量值来表征颗粒。在流式细胞仪中，例如，流体悬浮液中的颗粒(例如分子、与分析物结合的微珠或个别细胞)通过检测区域，在所述区域内，所述颗粒暴露于通常来自一个或更多个激光器的激发光中，并且测定所述颗粒的光散射和荧光特性。颗粒或其组分通常用荧光染料标记以便进行检测。各种不同的颗粒或组分可以通过用光谱特性不同的荧光染料标记来同时加以检测。在一些实施方案中，所述分析仪包括多个光电检测器，一个适用于待测定的每个散射参数，一个或更多个适用于待检测的每种不同染料。例如，一些实施例包括光谱结构，其中针对每种染料使用一个以上的传感器或检测器。所获得的数据包含针对所述光散射检测器和所述荧光发射中的每一项测得的所述信号。
颗粒分析仪可以进一步包含用于记录所测得的数据并分析所述数据的装置。例如，可以使用与所述检测电子器件连接的计算机来进行数据存储和分析。例如，所述数据可以列表形式存储，其中每一行对应于一颗颗粒的数据，而所述列对应于每项被测特征。使用标准文件格式(例如，“FCS”文件格式)存储来自颗粒分析仪的数据有助于采用单独的程序和/或机器分析数据。采用当前分析方法时，所述数据通常以一维直方图或二维(2D)图的形式展示，以便于可视化，但也可采用其他方法来使多维数据可视化。
例如，使用流式细胞仪测定的参数通常包括所述颗粒在激发波长下以狭角主要沿前向散射的光(被称为前向散射(FSC))；所述颗粒沿与所述激发激光器正交的方向散射的所述激发光(被称为侧向散射(SSC))；以及由一个或更多个检测器(用于在一定光谱波长范围内测量信号)中的荧光分子发射出的光，或者由主要在所述特定检测器或检测器阵列中检测到的荧光染料发射出的光。不同的细胞类型可以通过用荧光染料标记的抗体或其他荧光探针标记各种细胞蛋白或其他组分而得到/产生的光散射特性和荧光发射加以识别。
流式细胞仪和扫描式细胞仪均可从诸如BD Biosciences(加利福尼亚州圣何塞)等处购得。流式细胞术的相关描述请见以下出版物，例如，Landy等人(编)，临床流式细胞术，纽约科学院年鉴，第677卷(1993年)；Bauer等人(编)，临床流式细胞术：原理与应用，Williams&Wilkins(1993年)；Ormerod(编)，流式细胞术：实用方法，牛津大学出版社(1994年)；Jaroszeski等人(编)，流式细胞术方案，Methods in Molecular Biology，第91期，Humana Press(1997年)；以及Shapiro，实用流式细胞术，第4版，Wiley-Liss(2003年)；所述出版物中的所有内容以引用方式并入本文。荧光成像显微镜检查的相关描述请见以下出版物，例如，Pawley(编)，生物共聚焦显微镜检查手册，第2版，Plenum Press(1989年)，其以引用方式并入本文。
利用多色流式细胞术进行细胞(或其他颗粒)分析所获得的数据是多维的，其中每个细胞对应于由所述被测参数定义的多维空间中的一个点。细胞群或颗粒群被识别为所述数据空间中的点的聚类。可以通过在所述数据的一张或更多张二维图(被称为“散点图”或“点阵图”)中显示的某一群体周围绘制门来手动识别群集和群体。或者，可以自动识别群集，而且可以自动确定定义所述群体界限的门。用于自动设门的方法示例请见以下出版物，例如，编号如下的美国专利：4,845,653；5,627,040；5,739,000；5,795,727；5,962,238；6,014,904；6,944,338；以及第2012/0245889号美国专利公开出版物，上述各出版物均以引用方式并入本文。
流式细胞术是用于分析和分离生物颗粒(例如，细胞和组成分子)的有效方法，因此，它广泛应用于诊断和治疗中。所述方法利用流体介质线性分离颗粒，使所述颗粒可以排成一排，以通过检测装置。个别细胞可以根据其在流体介质中的位置以及是否存在可检测标记物来区分。因此，流式细胞仪可用于表征和生成生物颗粒群的诊断配置文件。
生物颗粒的分离已通过使流式细胞仪具有分选或收集功能而实现。经检测具有一种或更多种所需特征的分离流中的颗粒通过机械或电气分离方式从所述样品流中单独分离出来。这种流式分选方法已用于分选不同类型的细胞，分离含有X和Y染色体的***以进行动物育种，分选染色体以进行遗传分析，以及从复杂的生物种群中分离出特定的生物体。
设门用于帮助理解可能由样品生成的大量数据并对其进行分类。鉴于给定样品所呈现出的大量数据，需要有效控制所述数据的图形显示。
荧光激活颗粒分选或细胞分选是专用的流式细胞术。它提供了将颗粒异质混合物分选至一个或更多个容器中的方法，所述方法基于各细胞的特定光散射和荧光特性实施，每次分选一种细胞。它记录来自个体细胞的荧光信号，并在物理上分离特定目的细胞。缩略词FACS是Becton Dickinson的商标且归Becton Dickinson所有，可用于指代执行荧光激活颗粒分选或细胞分选的设备。
所述颗粒悬浮液置于狭窄、快速流动的液流中心附近。所述流的安置使得平均而言，在颗粒随机抵达(泊松过程)所述检测区域时，相对于其直径，颗粒之间存在较大的间隔。振动机制使流出的流体介质稳定破碎成单一液滴，所述液滴中含有先前在所述检测区域中表征的颗粒。通常对所述***进行调整，使液滴中存在一颗以上颗粒的概率偏低。如果将颗粒归类为待收集，则在一段时间内，向所述流动池和流出流中施加电荷，以形成一滴或更多滴液滴并与所述流脱离。而后，这些带电液滴穿过静电偏转***，所述***依据向所述液滴施加的电荷，将液滴转移至目标容器中。
样品可能包括(即使没有数百万也有)数千个细胞。可以对细胞进行分选以使样品纯化为目的细胞。所述分选过程通常可以识别出三种细胞：目的细胞、非目的细胞和无法识别的细胞。为了分选出具有高纯度的细胞(例如，高浓度的目的细胞)，如果所需细胞与另一不合需求的细胞过于接近，则生成液滴的细胞分选仪通常会以电子方式中止所述分选，从而减少因无意间使含有目的颗粒的液滴内包括不合需求的颗粒而对已分选群体造成的污染。
发明内容
在一创新方面，提供了计算机实现的方法。所述方法在一台或更多台处理设备控制下执行。所述方法包括用颗粒分析仪接收来自通信设备的适用于样品的参考分选标准。所述方法包括至少部分基于所述参考分选标准和所述样品来识别适用于所述样品的候选事件分类器。所述方法包括生成分选策略，所述分选策略包括来自所述候选事件分类器中的至少一种事件分类器。所述方法包括生成指示所述分选策略的准确性的指标。所述方法包括确定所述指标达到或超过所述样品的最小准确性阈值。所述方法包括将所述颗粒分析仪配置成至少部分基于颗粒的多维测量值和分选策略对所述样品的所述颗粒进行分类。
在一些实施方案中，所述参考分选标准可以包括门信息，所述门信息识别用于对所述颗粒进行分类的测量值范围。在一些实施方案中，所述参考分选标准可以包括展示出待从所述样品中收集的参考颗粒的图像。
所述方法还可以包括将分选仪配置传输至所述颗粒分析仪，其中所述分选仪配置表示所述分选策略；以及至少部分基于所述分选仪配置调整分选电路。所述分选电路的示例是现场可编程门阵列。
在一些实施方案中，接收自所述颗粒分析仪的所述多维测量值可以包括所述颗粒以荧光形式发射的光的测量值。所述颗粒以荧光形式发射的光可以包括与所述颗粒结合的抗体以荧光形式发射的光。
在一些实施方案中，所述指标可以包括所述分选策略的f-度量值。所述f-度量值的精确率分量表示用于根据所述分选策略对所述样品进行分选的纯度。所述f-度量值的召回率分量表示用于根据所述分选策略对所述样品进行分选的产率。
所述方法的一些实施方案可以包括在数据存储器中存储所述候选事件分类器，其中所述候选事件分类器包含以下各项中的至少两项：(a)计算分选分类器，其包括：评分和相关目标或非目标得分；(b)将适用于颗粒测量的得分与适用于分选的所述相关目标或非目标得分相比较；(c)将颗粒的一个或更多个测量值转换成所述颗粒的近似测量值的变换；(d)将不可分选的第一参数空间中由所述参考分选标准表示的群体转换成可分选的第二参数空间中的群体的参数投影；以及(e)利用图像或高维测量值生成向量特征的特征提取，其中所述特征向量用于对颗粒进行分类。
所述方法可以包括接收来自所述颗粒分析仪的硬件标识符，所述硬件标识符指示在所述颗粒分析仪中实现的分选电路；在此类实施方案中，识别所述候选事件分类器可以进一步至少部分基于所述硬件标识符。
在另一创新方面，提供了***。所述***包括一台或更多台处理设备以及计算机可读存储介质(包含指令)。所述指令由所述一台或更多台处理设备执行时，会使所述***用颗粒分析仪接收来自通信设备的适用于样品的参考分选标准；至少部分基于所述参考分选标准和所述样品来识别适用于所述样品的候选事件分类器；生成分选策略，所述分选策略包括来自所述候选事件分类器中的至少一种事件分类器；生成指示所述分选策略的准确性的指标；确定所述指标达到或超过所述样品的最小准确性阈值；生成控制信号，以调整包括在所述颗粒分析仪中的分析装置的运行状态，其中所述运行状态反映了分选策略；以及将所述控制信号传输至所述分析装置，以实现所述运行状态。
所述分析装置可以包括与偏转板以通信方式耦合的分选电子器件。所述颗粒分析仪可被配置成至少部分基于与目标容器的所述分选标准相对应的测量值来识别适用于颗粒的所述目标容器。调整所述运行状态可以包括通过偏转板施加电荷，以将所述颗粒引导至目标容器中。
所述分析装置可以包括射流***，并且调整所述运行状态可以包括调节实验期间为分析所述样品而施加的压力。
附图说明
图1展示了用于分析和显示生物事件的变换控制***的一示例的功能框图。
图2A是根据本文所示的一实施例所述的颗粒分选仪***的示意图。
图2B是根据本文所示的一实施例所述的颗粒分选仪***200的示意图
图3展示了用于基于计算的样品分析和颗粒表征的颗粒分析***的功能框图。
图4是展示了用于动态变换事件数据的示例***的简图。
图5是展示了利用参数机器学习变换来动态变换事件数据的示例***的简图。
图6是描绘了适用于多维事件数据的参数机器学习变换方法的示例的过程流程图。
实施方式
本发明描述了颗粒分选仪的特征，所述分选仪会根据用户选择的目标事件群体自动制定分选策略。用户可以基于包括传统流量测量值和非传统参数(例如图像和图像特征)在内的测量值来选择一个或更多个目标群体。而后，***将所述目标群体转换成分选策略，并且相应地配置所述分选硬件。
使用用户选择来指导选择用于分选的优化分类器，解决了用户定义分类器的若干问题。一个问题涉及在高维数据空间中绘制门的难题。计算***可以诸如通过图同时渲染二维或三维数据。用户可以选择所述图中的区域以识别目的群体。但是，随着维数增至三以上，即使有可能，也难以利用现有技术使适用于所述目的群体的门可视化并准确绘制相应门。此外，即使可以使用给定图来选择群体，真正反映所述目的群体的门也可能极为复杂。例如，可以在高维空间中使用不对称的多顶点形状来表示门。
另一个问题涉及在选择新的目的群体时的后视偏见。所述事件集可能与复杂的生物***有关。用户的选择能力可能会受到以往的经验和培训的影响。但是，所述培训可能不包括有关可以改进所述分选策略的参数的特定知识。此外，用户可能会发现很难基于大量参数制定设门策略。
另一个问题涉及利用现有技术区分事件的能力。由于设门依赖于事件的图形表示，因此在一些情况下，用户可能无法量化事件之间的差异。基于二维图或三维图可能很难量化细胞“外观”。此外，目的群体可能会无意中包括不合需求但隐藏在实际需要的事件中的亚群。
另一个问题涉及可用于选择目的事件的保真度。在一些情况下，量化差异以区分事件的可分选参数可能不会以事件数据的形式呈现给用户。在一些情况下，复合或变换后参数可以更好地用来表征目的事件。作为另一示例，描述细胞外观的参数可能计算成本高昂或难以用于分选。
为了解决这些问题和其他与生成分选配置有关的问题，本发明描述了两阶段分类过程。首先，用户可以采用一种或更多种现有方法的组合来定义目标群体，所述方法诸如对传统流式细胞术参数(例如，脉冲面积、宽度和高度)进行设门；对计算上困难的参数(例如，在液滴分选所需的等待时间内难以或无法在市售硬件上进行计算的参数，例如基于图像的参数(例如，点计数、物体周长等))；对数据的非参数变换进行设门(例如，对降维算法(例如t-SNE或VerityCEN-SETM)的结果进行设门)；提供示例事件(例如，类似于所提供的示例事件的分选事件)；或提供示例图像(例如，看起来与所述示例图像类似的分选事件)。
在第二阶段，所述***通过选择和应用经优化的分选策略来优化适用于用户定义的目标群体的分选。所述策略可以包括自动检测群体以及针对相关目标群体和非目标群体对每起事件进行评分(计算分选)。所述策略可以包括采用神经网络或其他机器学习技术逼近变换(非参数和参数)。所述策略可以包括将来自不可分选的参数空间中的目标群体投影至可分选的参数空间。作为投影所述目标群体的一部分，所述***可以识别可计算参数，这些参数组合起来逼近不易计算的参数。所述策略可以包括从图像或高维测量值(包括，例如，时间序列波形数据)中自动提取特征。所述自动特征提取的一个示例是用于学习待在分选决策中使用的相关图像特征的自动编码器神经网络。
候选分类器可以基于用于所述分类的预期纯度或预期分选产率来评估。例如，所述分类可以提供有关所述群体分选准确度的统计置信度。所述置信度可用于估算所述已分选样品的纯度(例如，所述已分选材料中目的群体的占比)。分类算法的性能可以使用两个指标来表征：精确率和召回率。精确率是阳性结果中属于真阳性的比例。召回率是真阳性中被检测为阳性的比例。维持多种性能指标可能效率低下。组合精确率和召回率的综合度量值(例如，f-度量值)可用于提高所述分类设备的效率和资源利用率。例如，可以使用一组示例数据计算每个候选项的f-度量值，从而比较候选分类策略。这些f-度量值可用于识别性能最高的候选项。
一旦生成经优化的分选配置，分选电子器件便可以接收所述配置，调整操作，以对样品进行相应分选。由于分选电子器件的功能可能有所不同，因此所述***可以部分基于所述目标分选电子器件来生成所述分选策略。这确保可以将以最佳方式生成的配置应用于目标分选电子器件。例如，策略可以包括变换事件数据。一些分选电子器件可能无法执行所述变换所需的某些数学运算。在此类情况下，在针对有限的分选电子器件请求分选配置时，候选分类器集可以不包括所述变换。
本文中使用的下文具体阐述的术语具有以下定义。除非本部分另有定义，否则本文中使用的所有术语的含义与本发明所属领域的普通技术人员通常理解的含义相同。
本文中使用的“***”、“仪器”、“装置”和“设备”通常涵盖硬件(例如，机械和电子硬件)，而且在一些实施方案中，也涵盖相关软件(例如，用于图形控制的专用计算机程序)组件。
本文中使用的“事件”或“事件数据”通常是指从单种颗粒(例如，细胞或合成颗粒)中测得的数据包。通常情况下，从单种颗粒中测得的数据包括许多物理测量值，包括一个或更多个来自用于测量光散射的检测器的物理测量值，以及至少一个利用从所述颗粒中检测到的荧光所得到的参数或特征，例如，所述荧光强度。因此，每个事件均被表示为测量值和特征向量，其中每个被测参数或特征对应于数据空间的一个维度。在一些实施例中，从单种颗粒中测得的数据包括图像、电气数据、时间数据或声学数据。事件可与实验、测定或样品来源(可以通过测量数据来识别)相关联。
本文中使用的颗粒“群体”或“亚群”(例如，细胞或其他颗粒)通常是指相对于一个或更多个被测参数具有特性(例如，光学、阻抗或时间特性)的一组颗粒，其使得被测参数数据在数据空间中形成聚类。因此，群体被识别为数据中的聚类或密度区域。相反，虽然通常也观测到了对应于噪点或本底的群集，但每个数据群集通常被解释为对应于特定类型的细胞或颗粒群。可以在所述维度的子集(例如，相对于被测参数的子集)中定义聚类，其对应于仅在被测参数或特征(提取自所述细胞或颗粒测量值)的子集中有所不同的群体。
本文中使用的“门”通常是指识别目的数据子集的分类器边界。在细胞计量中，门可能与一组特定目的事件相关联。本文中使用的“设门”通常是指针对给定数据集，利用定义门对所述数据进行分类的过程，其中所述门可以是一个或更多个与布尔逻辑相结合的目的区域。
本文中使用的“事件”通常是指从单种颗粒(例如，细胞或合成颗粒)中测得的数据的组装包。通常情况下，从单种颗粒中测得的数据包括许多参数或特征，包括一个或更多个光散射参数或特征，以及至少一个由所测得的荧光得出的其他参数或特征。因此，每个事件均被表示为参数和特征测量值向量，其中每个被测参数或特征对应于数据空间的一个维度。
本文中使用的“神经网络”或“神经网络模型”可以概念化为节点网络。所述节点可以被组织成层，其中所述第一层是数据流入的输入层。所述神经网络还可以包括输出层，其中变换后数据由此流出。每个单独的节点可以具有多个输入和单个输出(例如，输入层节点仅具有单个输入)。节点的输出表示输入的线性组合。换句话说，输入可以乘以相关常数。所述乘积可以沿具有恒定偏置量的节点的路径累积。所述恒定偏置量或“偏差”可以表示可在所述训练过程中进行调整的另一自由度。例如，对于基于re-lu的神经网络模型，所述恒定偏置量可以是阈值，因为它具有使节点值降低至零以下的能力，从而使所述激活函数输出零。
所得值使用激活函数进行评估，并且将所得值用作所述节点的输出。所述神经网络中给定层中的节点与相邻层中的每个节点连接。神经网络可以通过以下方式进行训练：利用梯度下降算法和误差函数来比较所述网络的期望输出与所述网络的实际输出，从而最大限度地减少所述网络的误差。可以调整一个或更多个节点的权重，以对所述网络产生的期望结果进行建模。
下文进一步描述了各种实施例和***的具体示例(可实现所述实施例和***)。
图1展示了用于分析和显示生物事件的自适应分选控制***的一示例的功能框图。分析控制器190可被配置成实施用于控制生物事件图形显示的各种过程。
颗粒分析仪102可被配置成采集生物事件数据。例如，流式细胞仪可以生成流式细胞术事件数据。颗粒分析仪102可被配置成将生物事件数据提供给分析控制器190。可以在颗粒分析仪102和分析控制器190之间纳入数据通信通道。可以经由所述数据通信通道将所述生物事件数据提供给分析控制器190。
分析控制器190可被配置成接收来自颗粒分析仪102的生物事件数据。接收自颗粒分析仪102的生物事件数据可以包括流式细胞术事件数据。分析控制器190可被配置成向显示设备106提供包括生物事件数据第一图的图形显示。分析控制器190可进一步被配置成围绕由显示设备106所示的多个生物事件数据渲染作为门的目的区域，其覆盖在第一图上。在一些实施例中，所述门可以是在单参数直方图或双变量图上绘制的一个或更多个目的图形区域的逻辑组合。
分析控制器190可进一步被配置成以不同于门外生物事件数据中其他事件的方式在门内的显示设备106上显示生物事件数据。例如，分析控制器190可被配置成使门内含有的生物事件数据的颜色与门外的生物事件数据的颜色不同。显示设备106可以显示器、平板计算机、智能电话或被配置成展示图形界面的其他电子设备的形式实现。
分析控制器190可被配置成接收来自第一输入设备的识别所述门的门选择信号。例如，所述第一输入设备可以鼠标110的形式实现。鼠标110可以向分析控制器190发出门选择信号，以确定待在显示设备106上显示或经由显示设备106操纵的门(例如，当光标位于此处时，在所需门上或内单击)。在一些实施方案中，第一设备可以键盘108或用于向分析控制器190提供输入信号的其他装置(例如触摸屏、触控笔、光学检测器或语音识别***)的形式实现。某些输入设备可能包括多种输入功能。在此等实施方案中，所述输入功能可以各自地被视为是输入设备。例如，如图1所示，鼠标110可以包括鼠标右键和鼠标左键，其均可产生触发事件。
所述触发事件可以促使分析控制器190改变显示数据的方式(在显示设备106上实际显示部分数据)，或提供输入以作进一步处理，例如选择目的群体进行颗粒分选。
在一些实施例中，分析控制器190可被配置成检测鼠标110启动门选择的时间。分析控制器190可进一步被配置成自动修改图可视化，以便促进所述设门过程。所述修改可以基于由分析控制器190接收的生物事件数据的特定分布进行。
分析控制器190可与存储设备104连接。存储设备104可被配置成接收和存储来自分析控制器190的生物事件数据。存储设备104还可被配置成接收和存储来自分析控制器190的流式细胞术事件数据。存储设备104还可被配置成允许分析控制器190检索生物事件数据，例如，流式细胞术事件数据。
显示设备106可被配置成接收来自分析控制器190的显示数据。所述显示数据可以包含生物事件数据图和概述所述图部分的门。显示设备106可进一步被配置成根据接收自分析控制器190的输入以及接收自颗粒分析仪102、存储设备104、键盘108和/或鼠标110的输入来改变所展示的信息。
在一些实施方案中，分析控制器190可以生成用户界面以接收示例事件，以便进行分选。例如，所述用户界面可以包括用于接收示例事件或示例图像的控件。可以在采集样品的事件数据之前或基于所述样品某一部分的初始事件集合来提供示例事件或图像或示例门。
常用流式分选技术(被称为“静电细胞分选”)采用液滴分选，其中使含有线性分离颗粒的流或移动液柱破碎成液滴，且使含有目的颗粒的液滴带电并通过电场偏转至收集管中。当前的液滴分选***能够在通过直径小于100微米的喷嘴的流体介质中以100,000滴/秒的速率形成液滴。液滴分选通常要求液滴在与喷嘴头相距一定距离处与所述流脱离。所述距离通常距离喷嘴头约几毫米，而且对于不受干扰的流体介质，所述距离是稳定的，且可以通过以预先确定的频率以及使所述脱离保持恒定的振幅振荡喷嘴头来维持。例如，在一些实施例中，在给定频率下调整正弦波形电压脉冲的振幅，使所述脱离保持稳定和恒定。
通常情况下，所述流中的线性分离颗粒的特征在于它们会通过位于流动池或比色皿内或喷嘴头正下方的观测点。一旦确定颗粒满足一项或更多项所需标准，便可以预测其到达液滴破碎点并以液滴形式与所述流脱离的时间。理想情况下，在含有选定颗粒的液滴与所述流脱离之前，先对所述流体介质施加短暂的电荷，然后在液滴破碎后使其立即接地。待分选的液滴在与所述流体介质脱离时会保持带电状态，而所有其他液滴则不带电。所述带电液滴在电场作用下侧向偏离其他液滴的下行轨迹，并被收集在样品管中。所述不带电的液滴直接落入排放管。
图2A是根据本文所示的一实施例所述的颗粒分选仪***的示意图。图2A所示的颗粒分选仪***250包括偏转板252和254。电荷通过倒钩256中的流充电线施加。这产生了用于分析的颗粒流260。所述颗粒可以用一个或更多个光源(例如，激光)照射，以产生光散射并生成荧光信息。所述颗粒信息通过诸如分选电子器件或其他检测***(图2A中未示出)来进行分析。可以独立地控制偏转板252和254来吸引或排斥所述带电液滴，以将所述液滴引导至目的地收集容器中(例如，272、274、276或278中的其中一项)。如图2A所示，可以控制偏转板，以沿着第一路径262朝向容器274或沿着第二路径268朝向容器278引导颗粒。如果所述颗粒并非目的颗粒(例如，在指定的分选范围内，不显示散射或照射信息)，则偏转板可使所述颗粒沿着流路264继续流动。此类不带电液滴可以经由诸如抽吸器270进入废弃物容器。
可以包括所述分选电子器件，以开始收集测量值，接收颗粒的荧光信号，并确定如何调整所述偏转板以分选所述颗粒。图2A中所示的实施例的示例实施方案包括由位于加利福尼亚州圣何塞的Becton,Dickinson and Company市售的BD FACSAriaTM系列流式细胞仪。
图2B是根据本文所示的一实施例所述的颗粒分选仪***200的示意图。在一些实施例中，颗粒分选仪***200是细胞分选仪***。如图2B所示，液滴形成传感器202(例如，压电振荡器)与流体导管201(例如，喷嘴)耦合。在流体导管201内，鞘液204以流体动力学的方式使样品流体206聚集至移动液柱208(例如，流)中。在所述移动液柱208内，使颗粒(例如，细胞)排成一排，以穿过由辐照源212(例如，激光器)辐照的受监测区域210(例如，激光流交点)。所述液滴形成传感器202振动使得移动液柱208破碎成多滴液滴209。
在运行中，检测站214(例如，事件检测器)确定目的颗粒(或目的细胞)何时穿过受监测区域210。检测站214馈入定时电路228，转而馈入瞬时充电电路230。在液滴破碎点，在定时液滴延迟(Δt)通知后，向所述移动液柱208中施加瞬时电荷，使目的液滴带电。所述目的液滴可以包括一颗/个或更多颗/个待分选颗粒或细胞。然后，可以通过启用偏转板(未示出)来分选所述带电液滴，使液滴偏转至诸如收集管或多孔样品板等容器中，其中孔可与特定目的液滴相关联。如图2B所示，所述液滴被收集在排放容器238中。
检测***216(例如，液滴边界检测器)用于在目的颗粒通过受监测区域210时自动确定液滴驱动信号的相位。示例性液滴边界检测器如第7,679,039号美国专利所述，所述专利全文以引用方式并入本文。检测***216允许仪器准确地计算每颗检测到的颗粒在液滴中的位置。检测***216可以馈入振幅信号220和/或相位218信号，然后依次(通过放大器222)馈入振幅控制电路226和/或频率控制电路224。振幅控制电路226和/或频率控制电路224反过来控制液滴形成传感器202。振幅控制电路226和/或频率控制电路224可以包括在控制***中。
在一些实施方案中，分选电子器件(例如，检测***216、检测站214、处理器240)可与被配置成存储所检测到的事件和基于其的分选决策的存储器耦合。所述分选决策可以包括在颗粒的事件数据中。在一些实施方案中，检测***216和检测站214可以单个检测单元的形式实现或以通信方式耦合，使得事件测量值可以由检测***216或检测站214中的其中一项收集并提供给所述非收集元件。
在一些实施例中，适用于颗粒分选仪***200的一个或更多个所述组件可用于颗粒分析和表征，无论是否将所述颗粒物理分选至收集容器中。同样地，适用于颗粒分析***300(图3)的一个或更多个下述组件也可用于颗粒分析和表征，无论是否将所述颗粒物理分选至收集容器中。例如，可以采用颗粒分选仪***200或颗粒分析***300中的一个或更多个所述组件，对颗粒进行分组或使其显示在树中，所述树包括至少三个本文所述的分组。
图3展示了用于基于计算的样品分析和颗粒表征的颗粒分析***的功能框图。在一些实施例中，颗粒分析***300是流式***。图3所示的颗粒分析***300可被配置成全部或部分执行本文所述的方法，例如，图6所示的方法。颗粒分析***300包括射流***302。射流***302可以包括样品管310和样品管内的移动液柱，或与所述样品管耦合，在所述样品管内，样品中的颗粒330(例如，细胞)沿共同样品路径320移动。
颗粒分析***300包括检测***304，所述检测***被配置成在每颗颗粒沿所述共同样品路径穿过一个或更多个检测站时，收集来自每颗颗粒的信号。检测站308通常是指所述共同样品路径的受监测区域340。在一些实施方案中，检测可以包括在颗粒330穿过受监测区域340时，检测光或所述颗粒的一种或更多种其他特性。在图3中，显示了一个具有一个受监测区域340的检测站308。颗粒分析***300的一些实施方案可以包括多个检测站。此外，某些检测站可能监测一个以上区域。
为每个信号分配信号值，以构成每颗颗粒的数据点。如上所述，所述数据可以称之为事件数据。所述数据点可以是多维数据点，其包括针对颗粒的各所测特性的值。检测***304被配置成在第一时间间隔内收集一系列所述数据点。
颗粒分析***300还包括控制***306。控制***306可以包括一个或更多个处理器、振幅控制电路226和/或频率控制电路224(如图2B所示)。所示控制***306在操作上与射流***302相关联。控制***306被配置成基于泊松分布以及在所述第一时间间隔内由检测***804收集的数据点数量，针对所述第一时间间隔的至少一部分生成计算出的信号频率。控制***306进一步被配置成基于在所述第一时间间隔的所述部分内的数据点数量，生成实验信号频率。此外，控制***306可将所述实验信号频率与计算出的信号频率或预先确定的信号频率进行比较。
图4是展示了用于动态识别事件数据(例如用于生成分选配置)的示例事件选择***的图。事件选择***400包括选择设备420。选择设备420包括事件数据接收器422。事件数据接收器422可以接收来自颗粒分析仪(例如图1所示的颗粒分析仪102)的事件数据402。在一些实施方案中，事件数据402可以由颗粒分析仪通过从诸如分析工作站中接收来生成。例如，用户可以向事件数据接收器422提供获取自颗粒分析仪的事件数据402。事件数据接收器422可以包括用于无线通信的收发器或用于连接至诸如以太局域网等有线网络的端口或诸如经由通用串行总线或
Figure BDA0003036052640000151
接头连接至设备的端口。
事件数据接收器422可以向包括在选择设备420中的事件数据处理器424提供至少一部分事件数据402。事件数据处理器424可以识别适用于事件数据的变换。所述识别可以包括检测所述事件数据中的值，例如用于所述测定或实验的标识符。所述可用变换可以存储在事件数据处理器424可访问的数据存储器440中。由事件数据处理器424执行的所述事件数据的变换可以是参数或非参数变换。在一些实施方案中，所述变换可以通过提供事件数据402的设备来指定。例如，分析工作站可以提交请求处理事件数据402的消息。所述消息可以包括所需的变换(例如，tSNE)。在一些实施方案中，可以基于用户输入来指导所述事件数据处理。例如，用户可以识别待应用于接收到的事件数据的变换。
选择设备420可以包括门选择426单元。门选择426单元可以从输入设备中接收对目的事件的选择。所述选择可以称之为门。所述选择可以定义适用于目的事件的一个或更多个参数值范围。门选择426单元可以使用所述一个或更多个范围来生成分类器或其他分选配置490。分选配置490可以表示为真值表或决策树，以识别与所述门相关的事件。如前所述，手动获取门可能伴有误差，并且在一些情况下，手动获取门会忽略重要的参数或潜在的硬件瓶颈或效率。因此，所述初始选择可用作所需分选的示例，所述所需分选可以通过进一步处理(无需人工干预)而予以调整适应，以优化所述检索策略。
图5是展示了用于自适应生成分选配置的示例***的图。图5中的自适应分选设备520包括从选择设备(例如选择设备420)中接收选择，然后生成用于评估事件的优化检索策略的特征。
***500包括自适应分选设备520。自适应分选设备520包括事件数据接收器522。事件数据接收器522可以接收来自颗粒分析仪(例如图1所示的颗粒分析仪102)的事件数据502。在一些实施方案中，事件数据502可以由颗粒分析仪通过从诸如分析工作站中接收来生成。例如，用户可以向事件数据接收器522提供获取自颗粒分析仪的事件数据502。事件数据接收器522可以包括用于无线通信的收发器或用于连接至诸如以太局域网等有线网络的网络端口。
事件数据接收器522可以向选择设备420提供至少一部分事件数据502。选择设备420可以从用户处获取示例分选配置。可以将示例与接收到的事件数据502一并提供给分选策略优化器524。分选策略优化器524可以迭代方式生成近似所述示例分选配置的分选策略。分选策略可以包括事件数据变换或选择的动态流水线。所述可用变换或分选步骤可以存储在分选策略优化器524可访问的数据存储器514中。候选策略可以包括自动检测群体以及针对相关目标群体和非目标群体对每起事件进行评分(计算分选)。所述策略可以包括采用神经网络或其他机器学习技术逼近变换(非参数和参数)。所述策略可以包括将来自不可分选的参数空间中的目标群体投影至可分选的参数空间。作为投影所述目标群体的一部分，所述***可以识别可计算参数，这些参数组合起来逼近不易计算的参数。所述策略可以包括从图像或高维测量值(包括，例如，时间序列波形数据)中自动提取特征。所述自动特征提取的一个示例是用于学习待在分选决策中使用的相关图像特征的自动编码器神经网络。
在一些实施方案中，神经网络可以用于特征生成和设门策略生成。对于特征生成，神经网络接收原始图像数据作为图像“外观”的输入和输出指标。其他神经网络诸如接收已计算参数(例如，脉冲面积或高度)作为输入并输出新参数的其他神经网络。这些新参数提供了从原始参数空间至新参数空间的投影。对于设门策略生成，可以训练或使用接收各种参数作为输入并输出单个值(可用于分选决策)的神经网络，以生成分选决策。
图6是描绘了优化分选策略的自适应生成方法的示例的过程流程图。方法600可以由自适应分选设备(例如图5所示的自适应分选设备520)全部或部分实施。
方法600始于框602。在框610处，接收一部分样品的初始事件数据。所述事件数据可以在激活颗粒分析仪以处理所述样品的所述部分后收集。处理所述样品可以包括测量颗粒的性质，例如图形、电气、时间或声学性质。在一些实施方案中，可以省略所述初始事件数据的收集，并且方法600可以从框602前进至框620。在所述样本量较小的情况下，这或许是可取的。在此类情况下，为了维持可用于分选的样品数量，可以在不消耗任何所述样品的情况下评估所述分选配置。
在框620处，从通信设备中接收适用于所述样品的分选选择。所述分选选择可以表示待分选的事件群体的示例。所述分选选择可以包括门、示例图像或示例事件。所述分选选择可以相对于在框610处接收的所述样品的初始部分的所述事件数据加以识别。例如，所述研究人员可以在事件数据测量值图表上绘制多边形，以定义待分选的数据值的范围。所述多边形可以定义可能为分选标准或与分选标准相关联的门。
所述分选选择可用作开发优化分选配置的参考。在一些实施方案中，所述分选选择可以包括识别目标分选仪器或分选电子器件的信息。如前所述，不同的硬件可以具有实现分选配置的不同功能。为了确保所述分选配置适用于所述目标硬件，可以考虑所述仪器的同一性。
在框630处，可以识别适用于所述样品的候选事件分类器。所述识别可以包括从数据存储器中选择事件分类器。所述事件分类器可以包括神经网络模型、事件数据变换、自动编码器或其他用于评估事件数据的机器实现的元件。所述选择可以部分基于样品类型(例如，血液、尿液、组织等)。所述选择可以部分基于将用于处理所述样品的所述颗粒分析仪。所述选择可以部分基于从所述通信设备中接收的所述分选选择。例如，如果所述分选选择包括图像，则可以选择基于图形的分类器作为候选事件分类器。作为另一示例，如果所述分选选择中的事件分布的特征在于统计上规则的分布，则可能需要使用基于马氏距离的分类器。
在一些实施方案中，可以提供用户界面，以收集指定包括在所述候选事件分类器中的分类器的信息。在一些实施方案中，所述***可以考虑在数据存储器中定义的参数和分类器的集合。可以基于诸如用户识别所述样品事件的方式来过滤所述分类器。识别分类器时，历史记录识别信息可用于识别将分类器与参数捆绑在一起的通用工作流程，所述分类器与参数是针对实验、目标颗粒、生成所述数据的颗粒分析仪、实验或实验期间生成的数据的其他可检测特性一并选择的。
在框640处，可以使用一个或更多个候选事件分类器来生成分选策略。生成分选策略可以包括对一个或更多个候选事件分类器进行排序，以形成用于处理事件数据的流水线。生成所述分选策略可以包括使用用户的示例设门策略来告知不同的分类器和/或参数的适宜连接方式。例如，如果用户使用层次门得出其示例群体，我们便可以使用类似的层次结构。另一示例是，如果用户在确定其示例数据时在任何点上使用了变换后空间，则所述***可以检测到所述变换，并针对所述分选策略生成所述变换的近似值。此外，另一示例是检测大量层次门，以尝试在高维空间中绘制流形，并采用诸如关系保留变换等工具或诸如马氏距离等统计模型。识别分选策略时，历史记录策略信息可用于识别通用工作流程，所述通用工作流程针对实验、目标颗粒、生成所述数据的颗粒分析仪、实验或实验期间生成的数据的其他可检测特性对特定标识符进行排序。
在框640处生成的所述分选策略可以使用指标来评估。在框650处，生成指示所述分选策略的准确性的指标。所述指标可以表示来自所述样品的所述已分选事件的准确性(例如纯度)。所述指标可以基于包括在所述分选策略中的分类器的置信度生成。在一些实施方案中，所述指标可以基于所述分选选择与由所述分选策略生成的分选配置的比较情况生成。可以生成所述指标的一种方式是针对所述分选策略使用F度量值，其中所述精确率指示分选纯度水平，而所述召回率指示所述已分选样品的数量或产率。例如，用户提供的所述示例事件可以分为“训练”和“测试”子集。所述划分可以基于一部分所述事件的伪随机选择进行。所述训练子集可以用于训练多种候选设门策略。这些设门策略之后可用于评估所述测试子集。此测试的结果将用于生成F度量值。
在框660处，确定适用于所述分选策略的指标是否对应于阈值。所述阈值可以是指示分选策略的最小纯度或产率的预定配置值。如果在框660处的确定结果是肯定的，则可以认为所生成的分选策略对于所述样品而言是适当的。在此类情况下，方法600前进至框670。
在框670处，分选电子器件(例如，分选电路)可以使用在框640处生成的所述分选策略来配置。所述分选电子器件的配置可以包括将所述策略中包括的模型或变换存储在所述分选电子器件可访问的存储位置。然后，可以使用所述分选策略来处理事件数据，以针对包括在所述分选策略中的分选标准进行评估。
在框680处，所述分析仪可以使用所配置的分选电子器件来评估和分选所述样品的剩余部分。在收集到新的事件测量值时，可以使用所配置的分选电子器件实时处理所述测量值，并根据所述分选配置将其分选至指定的容器中。例如，可以激活所述颗粒分析仪的偏转板，以将目的颗粒引导至指定的收集管中。
方法600终于框690。但是，应当理解，可以针对其他事件、样品或实验重复方法600。在一些实施方案中，较为可取的是，生成新的分选策略，以适应所述样品内的任何变异或考虑所述样品来源的变化。例如，在治疗环境中，可以在药物或其他化合物给药期间收集生物学样品。所述分选策略可能需要加以调整，以考虑在给药或与用于指导自适应策略生成的初始示例选择相比出现意料之外的变化后，所述药物或化合物的存在情况。在此类情况下，鉴于所述原始检索策略已受过训练，因此可能会部分基于所收集的数据重新生成分选策略。例如，所述初始策略可能已识别出事件的正态分布，但是为所述样品收集的实际事件数据可能指示具有非正态分布的事件。
本文中使用的术语“确定”涵盖各种活动。例如，“确定”可以包括计算、计算机计算、处理、推导、调查、查找(例如，在表、数据库或另一数据结构中查找)、查明等。此外，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。此外，“确定”可以包括解析、选定、选择、建立等。
本文中使用的术语“提供”涵盖各种活动。例如，“提供”可以包括将值存储在便于后续检索的存储设备的位置、将值通过至少一种有线或无线通信介质直接发送给接收者、发送或存储对值的引用等。“提供”还可以包括经由硬件元件进行的编码、解码、加密、解密、确认、验证等。
本文中使用的术语“选择性地”或“选择性”可以涵盖各种活动。例如，“选择性”过程可以包括从多个选项中确定一个选项。“选择性”过程可以包括以下一项或更多项：动态确定的输入、预先配置的输入或用户为确定而发起的输入。在一些实施方案中，可以包括n输入切换以提供选择性功能，其中n是用于进行选择的输入数量。
本文中使用的术语“消息”涵盖用于传达(例如，发送或接收)信息的各种格式。消息可以包括机器可读的信息聚合，例如，XML文档、固定字段消息、逗号分隔消息等。在一些实施方案中，消息可以包括用于传输一种或更多种信息表示的信号。虽然以单数形式叙述，但应当理解，消息可以多个部分组成、发送、存储、接收等。
本文中使用的“用户界面”(也被称为交互式用户界面、图形用户界面或UI)可以指基于网络的包括数据字段、按钮或用于接收输入信号或提供电子信息或向用户提供信息以响应于任何接收到的输入信号的其他交互控件。可以采用诸如超文本标记语言(HTML)、JAVASCRIPTTM、FLASHTM、JAVATM,.NETTM、WINDOWS OSTM、macOSTM、Web服务和丰富站点摘要(RSS)等技术来全部或部分实现UI。在一些实施方案中，可以将UI包括在被配置成根据所述的一个或更多个方面进行通信(例如，发送或接收数据)的独立客户端(例如，胖客户端、胖客户机)中。
本文中使用的“数据存储区”可以体现在可以访问某一设备或由所述设备访问的硬盘驱动器、固态存储器和/或任何其他类型的非暂时性计算机可读存储介质中，所述设备包括存取设备、服务器或其他所述的计算设备等。如本领域所公知，在不脱离本发明的范围的情况下，数据存储区还可以或替代地在多个本地和/或远程存储设备上实现分布或分区。在其他实施例中，数据存储区可以包括或体现在数据存储网络服务中。
本文中使用的指代项目列表中“至少一项”的短语是指所述项目的任意组合，包括单个成员。例如，“以下项目中的至少一项：a、b或c”旨在涵盖：a、b、c、a-b、a-c、b-c和a-b-c。
本领域技术人员应当理解，可以使用各种不同技术和技巧中的任何一种来表示信息、消息和信号。例如，在上述整个说明书中可能提及的数据、指令、命令、信息、信号、位、符号和芯片可以用电压、电流、电磁波、磁场或粒子、光场或光学粒子或其任何组合表示。
本领域技术人员应当进一步理解，结合本文所揭示的实施例描述的各种说明性逻辑块、模块、电路和算法步骤可以用作电子硬件、计算机软件或两者的组合。为了清楚阐明硬件和软件的这种可互换性，上文已大体上就其功能描述了各种说明性组件、块、模块、电路和步骤。这种功能以硬件还是软件的形式实现取决于特定应用以及对于整个***的设计约束。技术人员可以针对各特定应用以各种方式执行所述功能，但是这种执行决策不应被解释为导致脱离本发明的范围。
本文所述的技术可以硬件、软件、固件或其任何组合的形式来实施。所述技术可以在各种设备中的任何一种中实施，例如，专门编程的事件处理计算机、无线通信设备或集成电路器件。被描述为模块或组件的任何功能都可以在集成逻辑设备中一同执行，或在离散但可互操作的逻辑设备中分别执行。如果以软件形式实施，则所述技术可以至少部分通过计算机可读数据存储介质来实现，所述计算机可读数据存储介质包括指令，执行所述指令时，即执行上述一种或更多种方法。所述计算机可读数据存储介质可以构成计算机程序产品的一部分，其可以包括包装材料。所述计算机可读介质可以包含存储器或数据存储介质，例如，随机存取存储器(RAM)(例如同步动态随机存储器(SDRAM))、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦可编程只读存储器(EEPROM)、闪速存储器、磁性或光学数据存储介质等。所述计算机可读介质可以是非暂时性存储介质。此外或另外，所述技术可以至少部分通过计算机可读通信介质来实现，所述计算机可读通信介质以指令或数据结构的形式携带或传递程序代码，而且可以通过计算设备来访问、读取和/或执行，例如传播的信号或波。
所述程序代码可以由专门编程的自适应分选策略处理器执行，所述自适应分选策略处理器可以包括一个或更多个处理器，例如，一个或更多个数字信号处理器(DSP)、可配置微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他等效的集成或离散逻辑电路***。所述图形处理器可以被专门配置成执行本发明中所描述的任何技术。计算设备的组合(例如，DSP和微处理器的组合、多个微处理器、与DSP内核结合的一个或多个微处理器或至少部分数据连接中的任何其他此等配置)可以执行一项或更多项所述功能。在一些方面，本文所述的功能可以在被配置成用于编码和解码的专用软件模块或硬件模块内提供，或者将其并入专用分选控制卡中。
本文所揭示的方法包含用于实现所述方法的一个或多个步骤或动作。在不脱离权利要求书的范围的情况下，所述方法步骤和/或动作可以彼此互换。换言之，除非指定了步骤或动作的特定顺序，否则可以在不脱离权利要求书的范围的情况下，修改特定步骤和/或动作的顺序和/或用途。
本文描述了本发明的各种实施例。这些实施例和其他实施例均在所附说明性权利要求书的范围内。

Claims (16)

1.一种计算机实现的方法，其包含：
受一台或更多台处理设备控制，
用颗粒分析仪接收来自通信设备的适用于样品的参考分选标准；
至少部分基于所述参考分选标准和所述样品来识别适用于所述样品的候选事件分类器；
生成分选策略，所述分选策略包括来自所述候选事件分类器中的至少一种事件分类器；
生成指示所述分选策略的准确性的指标；
确定所述指标达到或超过所述样品的最小准确性阈值；以及
将所述颗粒分析仪配置成至少部分基于颗粒的多维测量值和分选策略对所述样品的所述颗粒进行分类。
2.根据权利要求1所述的计算机实现的方法，其中所述参考分选标准包含门信息，所述门信息识别用于对所述颗粒进行分类的测量值范围。
3.根据权利要求1所述的计算机实现的方法，其中所述参考分选标准包含展示出待从所述样品中收集的参考颗粒的图像。
4.根据权利要求1所述的计算机实现的方法，进一步包含：
将分选仪配置传输至所述颗粒分析仪，其中所述分选仪配置表示所述分选策略；以及
至少部分基于所述分选仪配置调整分选电路。
5.根据权利要求4所述的计算机实现的方法，其中所述分选电路包含现场可编程门阵列。
6.根据权利要求1所述的计算机实现的方法，其中接收自所述颗粒分析仪的所述多维测量值包含所述颗粒以荧光形式发射的光的测量值。
7.根据权利要求6所述的计算机实现的方法，其中所述颗粒以荧光形式发射的光包含与所述颗粒结合的抗体以荧光形式发射的光。
8.根据权利要求1所述的计算机实现的方法，
其中所述指标包含所述分选策略的f-度量值，
其中，所述f-度量值的精确率分量表示用于根据所述分选策略对所述样品进行分选的纯度，以及
其中，所述f-度量值的召回率分量表示用于根据所述分选策略对所述样品进行分选的产率。
9.根据权利要求1所述的计算机实现的方法，进一步包含：
在数据存储器中存储所述候选事件分类器，其中所述候选事件分类器包含以下各项中的至少两项：
(a)计算分选分类器，其包括：评分和相关目标或非目标得分，其中将适用于颗粒测量的得分与适用于分选的所述相关目标或非目标得分相比较；
(b)将颗粒的一个或更多个测量值转换成所述颗粒的近似测量值的变换；
(c)将不可分选的第一参数空间中由所述参考分选标准表示的群体转换成可分选的第二参数空间中的群体的参数投影；以及
(d)利用图像或高维测量值生成向量特征的特征提取，其中所述特征向量用于对颗粒进行分类。
10.根据权利要求1所述的计算机实现的方法，进一步包含：
接收来自所述颗粒分析仪的硬件标识符，所述硬件标识符指示在所述颗粒分析仪中实现的分选电路；
其中识别所述候选事件分类器进一步至少部分基于所述硬件标识符。
11.一种***，其包含：
一台或多台处理设备；以及
一种包含指令的计算机可读存储介质，所述指令由所述一台或多台处理设备执行时，会使所述***执行以下操作：
用颗粒分析仪接收来自通信设备的适用于样品的参考分选标准；
至少部分基于所述参考分选标准和所述样品来识别适用于所述样品的候选事件分类器；
生成分选策略，所述分选策略包括来自所述候选事件分类器中的至少一种事件分类器；
生成指示所述分选策略的准确性的指标；
确定所述指标达到或超过所述样品的最小准确性阈值；
生成控制信号，以调整包括在所述颗粒分析仪中的分析装置的运行状态，其中所述运行状态反映了分选策略；以及
将所述控制信号传输至所述分析装置，以实现所述运行状态。
12.根据权利要求11所述的***，
其中所述分析装置包含与偏转板以通信方式耦合的分选电子器件，
其中颗粒分析仪进一步被配置成至少部分基于与目标容器的所述分选标准相对应的测量值来识别适用于颗粒的所述目标容器，以及
其中调整所述运行状态包含通过偏转板施加电荷，以将所述颗粒引导至目标容器中。
13.根据权利要求12所述的***，其中所述分析装置包含射流***，并且调整所述运行状态包含调节实验期间为分析所述样品而施加的压力。
14.一种根据本文所揭示的实施例中的任一项利用参数机器学习变换对事件数据进行动态处理的方法。
15.一种其上存储有指令的计算机可读介质，执行所述指令时，会执行根据权利要求1-10或14所述的方法中的任一种。
16.一种包含处理器的装置，其中所述处理器被配置成执行根据权利要求1-10或14所述的方法中的任一种。
CN201980070447.7A 2018-10-17 2019-10-08 颗粒分析仪的自适应分选 Pending CN113316713A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862747004P 2018-10-17 2018-10-17
US62/747,004 2018-10-17
PCT/US2019/055225 WO2020081292A1 (en) 2018-10-17 2019-10-08 Adaptive sorting for particle analyzers

Publications (1)

Publication Number Publication Date
CN113316713A true CN113316713A (zh) 2021-08-27

Family

ID=70279716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980070447.7A Pending CN113316713A (zh) 2018-10-17 2019-10-08 颗粒分析仪的自适应分选

Country Status (5)

Country Link
US (3) US11227672B2 (zh)
EP (1) EP3867625A4 (zh)
JP (1) JP7437393B2 (zh)
CN (1) CN113316713A (zh)
WO (1) WO2020081292A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020146733A1 (en) 2019-01-11 2020-07-16 Becton, Dickinson And Company Optimized sorting gates
JP7416821B2 (ja) 2019-03-22 2024-01-17 ベクトン・ディキンソン・アンド・カンパニー 高周波多重励起データを使用した蛍光イメージングのスペクトルアンミックス
EP3948221A4 (en) 2019-03-27 2022-12-21 Becton, Dickinson and Company SYSTEMS FOR CELL SORTING BASED ON FREQUENCY-CODED IMAGE AND METHODS OF USE THEREOF
ES2966846T3 (es) 2019-03-29 2024-04-24 Becton Dickinson Co Parámetros para su uso en la discriminación de partículas
CN112955729A (zh) 2019-04-19 2021-06-11 贝克顿·迪金森公司 对流式细胞术事件数据进行二次采样
AU2020282772A1 (en) 2019-05-30 2021-11-18 Becton, Dickinson And Company Phase-correction of radiofrequency-multiplexed signals
CN115428038A (zh) 2020-11-19 2022-12-02 索尼集团公司 用于灵活的基于图像的颗粒分选的分类工作流
US20230160824A1 (en) * 2021-11-22 2023-05-25 Microsoft Technology Licensing, Llc Unbiased sorting and sequencing of objects via randomized gating schemes

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090287356A1 (en) * 2008-05-15 2009-11-19 John Dunne High throughput flow cytometer operation with data quality assessment and control
CN102177427A (zh) * 2008-10-10 2011-09-07 贝克曼考尔特公司 颗粒分析中的检测和处理同步
CN102279146A (zh) * 2011-03-11 2011-12-14 桂林优利特医疗电子有限公司 基于激光鞘流技术的血液细胞五分类方法
US9934364B1 (en) * 2017-02-28 2018-04-03 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
EP3372985A1 (en) * 2015-10-28 2018-09-12 The University Of Tokyo Analysis device

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3130628B2 (ja) * 1992-01-30 2001-01-31 シスメックス株式会社 粒子判定装置
US20030078703A1 (en) * 2001-10-19 2003-04-24 Surromed, Inc. Cytometry analysis system and method using database-driven network of cytometers
ES2561816T3 (es) * 2003-03-28 2016-03-01 Inguran, Llc Aparatos, métodos y procesos para clasificar partículas y para proporcionar esperma animal clasificado por sexo
US8290625B2 (en) * 2007-04-04 2012-10-16 Beckman Coulter, Inc. Flow cytometer sorter
US7964450B2 (en) 2008-05-23 2011-06-21 Stats Chippac, Ltd. Wirebondless wafer level package with plated bumps and interconnects
WO2011097032A1 (en) * 2010-02-05 2011-08-11 Cytonome/St, Llc Multiple flow channel particle analysis system
US10816550B2 (en) * 2012-10-15 2020-10-27 Nanocellect Biomedical, Inc. Systems, apparatus, and methods for sorting particles
WO2014121126A2 (en) * 2013-02-01 2014-08-07 Becton, Dickinson And Company Methods and systems for assessing sample behavior in a flow cytometer
WO2014152039A2 (en) * 2013-03-14 2014-09-25 Cytonome/St, Llc Operatorless particle processing systems and methods
US20170052106A1 (en) 2014-04-28 2017-02-23 The Broad Institute, Inc. Method for label-free image cytometry
CN106575320B (zh) * 2014-05-05 2019-03-26 艾腾怀斯股份有限公司 结合亲和力预测***和方法
US20170248511A1 (en) * 2014-12-04 2017-08-31 Becton, Dickinson And Company Flow Cytometry Cell Sorting Systems and Methods of Using the Same
JP2018505392A (ja) * 2014-12-10 2018-02-22 ネオゲノミクス ラボラトリーズ， インコーポレイテッド 自動化されたフローサイトメトリ分析方法及びシステム
US10616219B2 (en) * 2014-12-11 2020-04-07 FlowJo, LLC Single cell data management and analysis systems and methods
CN110244032B (zh) * 2015-02-12 2021-01-12 深圳迈瑞生物医疗电子股份有限公司 细胞分析仪及细胞分析仪的分类方法
JP6719773B2 (ja) 2015-12-25 2020-07-08 国立大学法人大阪大学 分類分析方法、分類分析装置および分類分析用記憶媒体
JP6953679B2 (ja) 2016-03-30 2021-10-27 ソニーグループ株式会社 試料分取キット、試料分取装置
EP3469338A4 (en) * 2016-06-10 2020-01-15 The Regents of the University of California IMAGE-BASED CELL SORTING SYSTEMS AND METHODS
EP3520004A2 (en) * 2016-09-30 2019-08-07 GE Healthcare Bio-Sciences Corp. Computer device for detecting an optimal candidate compound and methods thereof
US10605713B2 (en) * 2016-10-05 2020-03-31 Becton, Dickinson And Company Droplet deflectors and methods for using the same

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090287356A1 (en) * 2008-05-15 2009-11-19 John Dunne High throughput flow cytometer operation with data quality assessment and control
CN102177427A (zh) * 2008-10-10 2011-09-07 贝克曼考尔特公司 颗粒分析中的检测和处理同步
CN102279146A (zh) * 2011-03-11 2011-12-14 桂林优利特医疗电子有限公司 基于激光鞘流技术的血液细胞五分类方法
EP3372985A1 (en) * 2015-10-28 2018-09-12 The University Of Tokyo Analysis device
US9934364B1 (en) * 2017-02-28 2018-04-03 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis

Also Published As

Publication number Publication date
EP3867625A1 (en) 2021-08-25
JP2022512633A (ja) 2022-02-07
EP3867625A4 (en) 2022-08-24
US11227672B2 (en) 2022-01-18
US20230243736A1 (en) 2023-08-03
US20200126639A1 (en) 2020-04-23
US11644407B2 (en) 2023-05-09
US11994459B2 (en) 2024-05-28
US20220101955A1 (en) 2022-03-31
WO2020081292A1 (en) 2020-04-23
JP7437393B2 (ja) 2024-02-22

Similar Documents

Publication Publication Date Title
US11994459B2 (en) Adaptive sorting for particle analyzers
JP7394786B2 (ja) 粒子分析器のための特性評価および選別
US20160169786A1 (en) Automated flow cytometry analysis method and system
US11327003B2 (en) Characterization and sorting for particle analyzers
US11674881B2 (en) Subsampling flow cytometric event data
CN101981446A (zh) 用于使用支持向量机分析流式细胞术数据的方法和***
US11029242B2 (en) Index sorting systems and methods
US11585744B2 (en) Compensation editor
US20230393048A1 (en) Optimized Sorting Gates
EP3230887A1 (en) Automated flow cytometry analysis method and system
US12019006B2 (en) Subsampling flow cytometric event data
Mohamed Using Probability Binning and Bayesian Inference to measure Euclidean Distance of Flow Cytometric data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination